学员分享学习（L2D）旨在改善人工智能协作系统，通过学习如何将决策推迟到人类在更可能比机器学习分类器更准确时。现有的 L2D 研究忽视了阻碍其实际应用的现实系统的关键要素，即：i）忽略了具有不同成本的类型 1 错误和类型 2 错误的成本敏感场景；ii）要求对训练数据集的每个实例进行并发的人类预测；iii）不处理人类工作能力的限制。为了解决这些问题，我们提出了成本和能力约束下的推迟框架（DeCCaF）。DeCCaF 是一种新的 L2D 方法，采用监督学习来建模人类错误的概率，满足更宽松的数据要求（每个实例只有一个专家预测），并使用约束编程来在工作负载限制下全局最小化错误成本。我们在一系列具有不同 9 名合成欺诈分析师团队和个体工作能力限制的成本敏感型欺诈检测场景中测试了 DeCCaF。结果表明，我们的方法在各种场景中比基准方案表现显著好，平均减少了 8.4% 的错误分类成本。

Mar, 2024

学习推迟（L2D）框架通过将困难决策交给人类专家，实现了自主系统的安全性和稳健性。我们在此工作中缓解了每个专家都是明确识别的假设，并设计了一个能够应对测试时从未遇到过的专家的 L2D 系统。我们使用元学习来实现这一目标，同时考虑了基于优化和基于模型的变种。通过给出用于描述当前可用专家的小的上下文集合，我们的框架可以快速适应其推迟策略。对于基于模型的方法，我们采用了一种注意机制，可以查找上下文集合中与给定测试点相似的点，从而更精确地评估专家的能力。在实验中，我们在图像识别、交通标志检测和皮肤病病变诊断基准上验证了我们的方法。

Mar, 2024

通过评估两种方法对深度学习分类模型的影响，即确定性不确定性方法和不确定性感知培训，我们发现这两种方法都可以在心脏成像领域的两个实际临床应用中提高准确性和校准度，其中确定性不确定性方法一般提供最佳改进效果，同时它们的组合也进一步改进了部分确定性不确定性方法和不确定性感知培训方法的组合。

May, 2024

该研究表明，在医学领域中，机器学习模型可以通过训练对数据实例输出不确定性得分，以便针对存在高度医学专家分歧的情况，特别是可以确定应该获得医学二次意见的病例，和通过直接预测不确定性得分的方法（DUP），可以更好地进行训练，优于通过分类来预测不确定性分数的方法。这一结论得到了理论结果和在大规模医学影像应用中广泛评估的支持。

Jul, 2018

对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

Aug, 2019

本研究提出了一种基于专家分歧引导的不确定性估计方法（EDUE），用于医学图像分割，通过利用多个评分者对地面事实标注的变异性，我们在训练过程中引导模型，并结合基于随机抽样的策略来增强校准置信度，我们的方法在图像和像素级别上与专家分歧相比，平均相关性分别提高了 55% 和 23%，具有更好的校准性能，并且相较于最先进的深度集合，在只需进行单次前向传递的情况下，具有具有竞争性的分割性能。

Mar, 2024

该综述回顾了现有的用于量化深度学习模型预测不确定性的方法，并着重关注了医学图像分析中特有的挑战、评估方案以及不确定性量化在医疗领域中的开放性挑战。

Oct, 2022

该研究提出了一种可扩展的、有效的决策不确定性方法，通过利用区别最大化层，通过任意大小的可训练原型学习鉴别隐藏空间，以解决深度学习在实际中应用时不确定性预测的问题，该方法在图像分类、分割和单眼深度估计任务上超过了深度集合的现有技术。

Jul, 2022

本研究旨在应用不确定性估计方法，以优化 COVID-19 的计算机诊断技术，并通过与医学专业人士的合作，验证该方法在临床实践中的可行性。

Apr, 2021

本研究提出新的基于 one-vs-all 分类器的 L2D 系统，旨在提高 L2D 系统的校准性能，这不会影响我们模型的准确性，同时在各种任务中也表现出可比较（通常是优于）Mozannar 和 Sontag（2020 年）模型的准确性，涵盖仇恨言论检测、星系分类和皮肤病诊断等。

Feb, 2022